[发明专利]共享直饮水水质自适应动态自学习在线监测系统

权利要求书

1.共享直饮水水质自适应动态自学习在线监测方法，其特征在于：包括以下步骤：

S110根据恒定水箱内水质的影响的控制参数，建立神经网络输入样本集；

S120根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集；

S130将输入样本集和输出样本集进行归一化处理，获得归一化样本集；

S140根据所述归一化样本集构建三层的BP神经网络模型；

S150根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；

S160对云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；

S170对实时变化的恒定水箱内水质的影响因素实现实时预测；根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测；所述恒定水箱内影响水质的控制参数包括，确定影响水箱内水质的影响因素，该影响因素包括：直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态；

根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集，包括：通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测并实时传输到云端服务器，即获得神经网络输出样本集；

在所述步骤S150，

三层BP神经网络包括(M-s₁-l)的拓扑结构，隐含层激发函数为s型函数，输出层为线性函数；输入层神经元数为M个，隐含层节点数由经验公式所得，M,s₁,l分别表示表输入层、隐含层、输出层的神经元个数，α为1-10的常数，输出层节点数为4个，则建立初始模型为：

其中，分别代表输入层与隐含层的连接权值、隐含层和输出层的连接权值、隐含层阈值，输出层阈值；表示归一化的样本，i,j均为变量下标；函数f()为S型函数；

利用UKFNN算法对云端服务器存储的海量数据进行建模，获取神经网络参数具体包括以下子步骤：

第一步：设BP神经网络，输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态矩阵I为：

设I中的个数为n个值；设定非线性方程：

I_k表示k时刻状态变量，I_k+1表示(k+1)时刻状态变量，ω_k,ν_k,分别表示观测噪声，测量非线性方程，测量噪声；

其中，X_k为k时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵I的维度，λ＝a²(n+κ)-n；σ表示sigma采样点，λ为缩放比例参数；

第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵I作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型。

2.根据权利要求1所述的共享直饮水水质自适应动态自学习在线监测方法，其特征在于：所述步骤S120后还包括预处理步骤，所述预处理步骤具体为：将构建的建模输入样本集进行主元提取，并获得新样本集。

3.根据权利要求2所述的共享直饮水水质自适应动态自学习在线监测方法，其特征在于：利用主元分析算法对状态变量X进行主元提取，构建新的状态变量X′＝{x_z1,x_z2,…,x_zm}，X′为m个状态主元分量，每个状态主元分量的维度与输入中的训练样本的数量相同。

4.根据权利要求1所述的共享直饮水水质自适应动态自学习在线监测方法，其特征在于：所述步骤S150中，动态调整权值阈值算法流程如下：

1)对所述状态矩阵I进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对状态矩阵I的Sigma采样如下：

其中，为(k-1)时刻的最优状态变量估计的第i列，n为状态矩阵维度，p_k-1为(k-1)时刻的最优状态变量的协方差,I_k-1为(K-1)时刻的状态变量，λ为缩放比例参数；

2)计算每个采样点的权重，每个采样点的权重如下：

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，是的第一列；

3)通过离散时间非线性系统的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计并通过合并k时刻的状态估计的向量，获得k时刻的状态变量的状态先验估计和协方差P_k|k-1；其中，

所述状态估计为：

F()表示状态方程

其中，w_k的协方差矩阵Q_k为cov(ω_k,ω_j)＝Q_kδ_kj，w_j表示状态噪声，cov(ω_k,ω_j)表示状态噪声协方差；

所述状态先验估计为：

所述状态变量的协方差P_k|k-1为：

4)通过离散时间非线性系统的观测方程建立k时刻的状态变量的状态估计和k时刻的观测预测估计之间的联系以完成观测预测，并估计k时刻的观测预测的协方差

所述k时刻的观测预测估计为：

最终状态变量估计为：

其中，ν_k的协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，v_j表示测量噪声；g(),f()分别表示神经网络输出层激发函数，隐含层激发函数；

所述k时刻的观测预测的协方差为：

5)计算k时刻的状态变量和观测预测之间的协方差P_xy,k：

6)通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量；

7)将获得的k时刻的最优状态变量代入步骤1)重新进行sigma采样，循环步骤1)-6)，获得所述神经网络模型的最优状态变量；

其中，步骤6)中的通过建立协方差P_xy,k和协方差的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量，

其中，K_k为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差P_k；

更新后的k时刻的最优状态变量的状态估计I_k|k为：

更新后的k时刻的状态变量的协方差P_k为：

将更新后的k时刻的状态变量的状态估计I_k和协方差P_k作为k时刻的最优状态变量。